Содержание к диссертации
Введение
1 Фрактальный анализ динамики давления в скважине 9
1.1. Фрактальный анализ. Основные понятия 9
1.2. Образование фрактальных структур в пористых средах 18
1.3. Алгоритмы расчета фрактальных размерностей замеров временных рядов. 21
1.4. Область применения фрактального анализа. 23
1.5. Модельные примеры 29
1.6. Фрактальный анализ динамики давления в скважине 34
1.7. Выводы 38
2. Применение искусственной нейронной сети для классификации кривых восстановления давления . 40
2.1. Искусственные нейронные сети; Основные понятия. 40
2.2. Задачи, решаемые с применением нейросетей . 50
2.3. Постановка задачи 55
2.4. Модельные кривые восстановления давления. Формирование обучающего множества. 58
2.5. Приведение задачи к безразмерному виду 60
2.6. Классификация КВД с применением ИНС. 63
2.7. Выводы 70
3. Регуляризация обратных задач гидродинамических исследований скважин 73
3.1. Некорректно поставленные задачи. Понятия и определения. 73
3.2. Область применения регуляризирующих алгоритмов. 74
3.3. Метод регуляризации поА.Н. Тихонову . 76
3.4. Регуляризация обработки кривой восстановления давления. 82
3.4.1 Регуляризация обработки кривой восстановления давления методом касательной 82
3.4.2 Регуляризация обработки кривой восстановления давления методом П. Полларда 87
3.5. Выводы 93
4. Автоматизированная информационная система для обработки кривой восстановления давления 95
4.1. Технические характеристики АИС 95
4.2. Краткое описание интерфейса и работы с системой 97
Основные выводы и рекомендации 113
Список литературы 116
Приложения 130
- Образование фрактальных структур в пористых средах
- Задачи, решаемые с применением нейросетей
- Метод регуляризации поА.Н. Тихонову
- Краткое описание интерфейса и работы с системой
Введение к работе
Актуальность исследования. Гидродинамические исследования
скважин являются одним из основных методов получения наиболее достоверной информации о продуктивном пласте. Чем больше информации о пласте и чем точнее эта информация, тем эффективнее будет осуществляться разработка месторождений нефти и газа.
Технология гидродинамических исследований скважин, как известно, базируется на замерах показателей работы скважин (давления, дебиты и т.д.) и на интерпретации результатов этих замеров. В зависимости от примененной методики обработки замеров можно получить различную информацию о пластах и скважинах как по количеству, так и по качеству.
Часто под гидродинамическими исследованиями скважины понимается
только исследования скважины на установившихся (например, снятие
индикаторных диаграмм) и неустановившихся (например, снятие кривых
восстановления давления) режимах работы. Обработка результатов таких
гидродинамических исследований скважин основана на решении обратных
задач подземной гидромеханики. Несмотря на то, что математический аппарат
решения уравнений подземной гидромеханики разрабатывается и
совершенствуется десятки лет, решение обратных задач часто, в конкретных
практических ситуациях, наталкивается на значительные трудности. Одной из
них является выбор модели пласта, к которой относится конкретная кривая
восстановления давления. Применение численных моделей позволяет получить
множество эталонных кривых для различных моделей пластов. Тогда возникает
задача определения, к какой из моделей относится фактическая кривая
восстановления давления. Для решения этой задачи необходимо привлечь
высокоэффективные методы классификации. Другой сложностью при
определении фильтрационных параметров пласта по кривым восстановления
давления является то, что задача определения параметров оказывается
некорректно поставленной. Нскпрреитцпгть ими приипт,.-тч. у тому, что
j РОС НАЦИОНАЛЬНАЯ I
З I БИБЛИОТЕКА I
! grew
незначительные вариации в исходных данных, которые всегда присутствуют в замерах, вызывают значительные изменения в конечных результатах. Все это требует создания и привлечения новых методов и алгоритмов при обработке результатов гидродинамических исследований скважин. Решению этих задач и посвящена диссертационная работа.
Цель исследования состоит в том, чтобы повысить вероятность принятия правильных решений по совершенствованию разработки месторождений нефти и газа за счет увеличения количества и повышения качества информации о пластах и скважинах, получаемой в результате гидродинамических исследований.
Основные задачи исследования:
изучить характер колебаний давления в нефтяных добывающих скважинах;
исследовать возможность применения инструментария искусственных нейронных сетей для определения модели пласта по кривой восстановления давления;
исследовать влияние архитектуры нейронной сети на качество классификации кривых восстановления давления;
рассмотреть особенности создания автоматизированных
информационных систем для обработки результатов гидродинамических исследований скважин.
Теоретической и методологической основой исследования послужили
работы отечественных и зарубежных авторов. Решению обратных задач подземной гидромеханики посвящено большое количество работ отечественной научной школы, среди которых особое место занимают труды В.Н. Щелкачева. Методы и особенности обработки результатов гидродинамических исследований скважин изложены в работах З.С. Алиева,
Г.И. Баренблатта, К.С. Басниева, С.Н. Бузинова, Л. Г. Кулыгина, АХ. Мирзаджанзаде, ЮА Мясникова, ИА Чарного, Э.Б. Чекалюка, Р.Г. Шагаева и др.
В последние годы для задач классификации в ряде отраслей науки стали применяться искусственные нейронные сети. В этой связи автором изучены работы АН. Горбаня, В.Г. Царегородцева, СА Терехова, Ф. Уоссермена. Связи теории искусственных нейронных сетей с нелинейной динамикой посвящены публикации Г.Г. Малинецкого, АБ. Потапова.
Методы регуляризации некорректно поставленных задач изложены в трудах АН. Тихонова. Примеры применения регуляризирующих алгоритмов к решениям некоторых задач нефтегазодобычи рассмотрены в работах АХ Мирзаджанзаде.
Нелинейная динамика и синергетика являются бурно развивающимися в настоящее время областями науки. Им посвящено большое количество публикаций. Учитывая междисциплинарность подходов, развиваемых в этих науках, среди авторов работ по нелинейной динамике можно встретить специалистов из самых различных областей. В нефтегазодобыче это в первую очередь труды АХ. Мирзаджанзаде и его научной школы. Основы фрактальной геометрии заложены в работах Бенуа Мандельброта. Методы анализа временных рядов с позиций нелинейной динамики описываются в публикациях П. Берже, К. Видаль, И. Помо, Г.Г. Малинецкого, Е. Федераидр.
Научная новизна диссертационного исследования заключается в привлечении инструментария искусственных нейронных сетей для классификации кривых восстановления давления и в применении алгоритмов фрактального анализа для изучения поведения динамики давления в скважинах.
Защищаемые положения:.
разработанные рекомендации по применению искусственных нейронных сетей для определения модели пласта по кривой восстановления давления;
методика применения регуляризирующих алгоритмов для получения при обработке кривых восстановления давления более точных параметров пластов и скважин;
вывод о том, что динамика давлений в фонтанирующих нефтяных скважинах может иметь детерминированный характер.
Апробация, практическая ценность и реализация работы. Основные
результаты выполненной работы докладывались:
на I Всероссийской геофизической конференции-ярмарке «Техноэкогеофизика - новые технологии извлечения минерально-сырьевых ресурсов в XXI веке», Ухта, 1-5 октября 2002 года;
на 5-ой международной научно-практической конференции «Хазарнефтегазятаг-2002», Баку, 18-19 ноября 2002 года;
на Всероссийской конференции «Большая нефть: реалии, проблемы, перспективы. Нефть и газ Европейского Северо-Востока» Ухта, 15-17 апреля 2003 года;
на 1-ой международной конференции «Нефтеотдача 2003», Москва, 19-23 мая 2003 года.
Тема диссертации связана:
с госбюджетной НИР «47. Совершенствование разработки месторождений нефти и газа в осложненных условиях»;
с хоздоговорной НИР «Проведение динамического анализа разработки месторождений ОАО НК «КомиТЭК» и ОАО «Коминефть» на основе эволюционных синергетических моделей и оценки размерностных
характеристик процессов при добьгае нефти с целью определения направлений нефтеотдачи пластов»;
с хоздоговорной НИР «Разработка методики интерпретации кривых восстановления давления в газовых скважинах, вскрывших трещиновато-пористый пласт, с использованием модели Полларда».
Разработанное руководство автоматизированной информационной системы для обработки кривых восстановления давления «Поллард-Газ-КВД» принято к внедрению Вуктьгльским ГПУ.
Структура диссертации. Диссертация состоит из введения, четырех разделов, заключения, библиографического списка, приложений. Работа изложена на 145 страницах, содержит 13 таблиц и 59 рисунков. Библиографический список включает 115 наименований.
Автор считает приятным долгом выразить искреннюю благодарность научному руководителю АА Мордвинову, доктору технических наук профессору АХ. Мирзаджанзаде за постановку задачи о регуляризации и ректору УГТУ профессору Н.Д. Цхадая за содействие и постоянное внимание к работе на всех этапах подготовки диссертации. Также автор благодарит сотрудников Ухтинского государственного технического университета В.Н. Пушкина, В.П. Пятибрата, Ю.М. Фирсову за ценные советы; коллектив ООО ПФ <Апенд» и лично Н.В. Ирбахтина за возможность использования информационной базы по гидродинамическим исследованиям; ассистента О.М. Корохонько за помощь в оформлении текста диссертации и весь коллектив кафедры разработки и эксплуатации нефтяных и газовых месторождений и подземной гидромеханики за содействие и поддержку. Особую признательность автор выражает кандидату технических наук доценту В А Соколову за постоянные консультации по направлению исследований.
Образование фрактальных структур в пористых средах
Как уже указывалось процесс вытеснения нефти из пористой среды может приводить к образованию фрактальный структур (рис. 1.5). Первым опытом, в котором экспериментально было изучено образование вязких пальцев было вытеснение одной жидкости другой в ячейке Хеле-Шоу. Ячейка Хеле-Шоу состоит из двух прозрачных пластин, разделенных небольшим зазором. Хеле-Шоу исследовал в таком канале обтекание водой различных предметов. На рис. 1.7 показан результат экспериментов в круглой ячейке Хеле-Шоу [30].
Как видно из рисунка граница раздела вытесняющего и вытесняемого флюидов имеет фрактальную структуру. Экспериментальное изучение вытеснения жидкостей в двумерных пористых средах также свидетельствует, что при некотором соотношении вязкостей вытесняющей и вытесняемой жидкостей граница раздела является фрактальной (рис.. 1.5).
Оба эти течения объединят то, что они описываются уравнением Лапласа. Однако динамика образования вязких пальцев в пористой среде отличается от процесса образования вязких пальцев в ячейке Хеле-Шоу. Это выражается в том, что фрактальные характеристики получаемые в пористых средах отличаются от тех, что получены в канале Хеле-Шоу. Считается, что причиной отличия является случайность геометрии порового пространства, которая начинает играть значительную роль при высоком соотношении вязкостей жидкостей.
Многими исследователями указывается аналогия между процессом вытеснения; жидкостей в пористых средах и процессом ограниченной диффузией агрегации (ОДА) [31]. Упрощенно процесс ОДА можно смоделировать как случайное блуждание частицы на плоскости. Частицы совершают блуждание до тех пор, пока они; не достигают «поверхности» кластера, на которой они останавливаются. В пределе такое блуждание частиц описывается уравнением диффузии вида [30] t = Z)V2C(r,f) (1.4)где D - коэффициент диффузии, определяемый соотношением Эйнштейна.При стационарном подводе блуждающих частиц может быть достигнуто стационарное состояние dC/dt O, и тогда уравнение (1.4)сводится к уравнению Лапласа;
Коэффициент Dm - это аналог коэффициента диффузии в численном эксперименте. Видно, что получаемая картина качественно схожа с той, что представлена на рис. 1.7. Помимо качественного исследователями установлено и количественное соотношение между процессом ОДА и скоростью роста вязких пальцев [30].Авторами работ [35, 36] рассмотрена возможность применения фрактальной геометрии для анализа и моделирования микрогетерофазного состояния на границе раздела нефть-вода.
В статье [37] приведены результаты численных экспериментов по моделированию вытеснения жидкости из пористой многомасштабной среды. Показано, что в процессе вытеснения получаются мультифрактальные структуры.
Фрактальные структуры, образующиеся в пористых средам могут быть смоделированы методами теории перколяции (протекания). Основам теории перколяции посвящены работы [38-39]. Обзор работ, посвященных моделированию процессов, происходящих в пористых средах, с позиций теории протекания приведен в [40].
Как уже указывалось, изучение аттракторов динамических систем показало, что они имеют фрактальную структуру. Для расчета фрактальной размерности аттрактора динамической системы был предложен ряд алгоритмов, описание которых приведено ниже. Для расчета фрактальной размерности аттрактора в первую очередь необходимо восстановить фазовый портрет системы. Если в ходе наблюдений существует возможность замера всех переменных, характеризующих процесс, то задача восстановления фазового портрета не представляет сложности. В этом случае фазовый портрет — это зависимость в координатах Х/,х2,...Ал., как например в случае системы Лоренца (рис. 1.2). В худшем же случае (и наиболее часто встречающемся на практике) у исследователя в руках имеется реализация лишь одной переменной процесса и по ней необходимо восстановить фазовый портрет системы. Самым известным способом восстановления портрета динамической системы по одной временной реализации является метод, основанный на теореме Такенса. Согласно этой теореме по одной реализации ДС ее фазовый портрет может быть восстановлен методом задержек [6]:: (/) = \_a(t) a(t + г),...,a(t + (їй -1) г)], (1.6)где x(t) - восстановленные координаты системы;т- временная задержка;a(t) - замеренный временной ряд;m - размерность пространства, в котором построен фазовый потрет (размерность вложения).Согласно выражению (1.6) для восстановления портретанеобходимо определиться со значением временной задержки г. Дляэтого предложен ряд способов, среди которых ни один не приобрел к настоящему времени наибольшего распространения. Таким образом, в каждом конкретном случае, вопрос о выборе временной задержки решается исследователем самостоятельно. В этом: случае самым простым решением является восстановление фазового портрета. с несколькими значениями временной задержки, расчет по ним размерностей и выбор того значения г, для которого результат оказывается наиболее стабильным;
Другим способом восстановления фазового портрета является метод последовательного дифференцирования [5]. Согласно этому методу вектор состояния в фазовом пространстве может быть задан следующим способом:x(t) = [a(t),a{t)fdu...,dm-la{t)ldtm l\ (1.7)
Поскольку значения а( известны только в дискретные моменты времени, координаты вектора х определяются путем: численного дифференцирования исходного временного ряда по приближенным математическим формулам. Очевидно, что точность вычисления производных будет определяться малостью величины шага дискретизации. Серьезным недостатком метода последовательного дифференцирования является чувствительность к шуму при; работе с экспериментальными данными, что делает его практически неприменимым для пространств вложения большой размерности.
Задачи, решаемые с применением нейросетей
Исторически первой работой, заложившей теоретический фундамент для создания искусственных моделей нейронов и нейронных сетей, принято считать опубликованную в 1943 году статью Уоррена С. Мак-Каллока и Вальтера Питтса «Логическое исчисление идей, относящихся к нервной активности». Главный принцип теории Мак-Каллока и Питтса заключается в том, что произвольные явления, относящиеся к высшей нервной деятельности, могут быть проанализированы и поняты, как некоторая активность в сети, состоящей из логических элементов, принимающих только два значения. Персептрон был впервые смоделирован в 1958 году и успешно применялся для решения ряда задач, например, для распознавания букв. Первые успехи в применении персептронов, достигнутые в основном благодаря работам; Фрэнка Розенблатта, спровоцировали большое количество исследований в этом направлении: Самые оптимистично настроенные исследователи предсказывали появление машин, наделенных интеллектом в самое ближайшее время. Однако оптимистичные настроения длились недолго. В 1969 году, бывший однокашник Розенблатта по Высшей научной школе в Бронксе Марвин Минский (Marvin Minsky) вместе с южноамериканским математиком Пейпертом издали книгу «Персептроны». В этой работе была теоретически показана принципиальная ограниченность персептронов. Как показали Минский и Пейперт, персептрон не способен решить даже некоторые очень простые задачи. Рассмотрим одну из них, называемую «проблема ислючающего ИЛИ» [55]. Грубо говоря, работа всех сетей сводится к классификации (обобщению) входных сигналов, принадлежащих «-мерному гиперпространству, по некоторому числу классов. С математической точки зрения это происходит путем разбиения гиперпространства гиперплоскостями (запись для случая однослойного персептрона)YtX{ wik=Tk к = \.м. (2-13)
Каждая полученная область является областью определения отдельного класса. Число таких классов для одной НС персептронного типа не превышает 2т, где т — число выходов сети. Однако не все из них могут быть разделимы данной НС.Если присмотреться к табл. 2.1, можно заметить, что данное разбиение на классы реализует логическую функцию исключающего ИЛИ для входных сигналов. Невозможность реализации однослойным персептроном этой функции получила название проблемы исключающего ИЛИ.
Указанные Минским: и Пейпертом ограничения: на класс задач, решаемых персептроном, оказали сильное влияние на энтузиазм исследователей, и интерес к работам в этой области, значительно снизился.
Возрождение интереса к исследованиям в области ИНС произошло в 80-х годах прошлого века. В 1983 году вышла работа физика Джона Хопфилда, предложившего модель ассоциативной памяти в нейронных ансамблях. Однако настоящий бум исследований вызван двумя основными причинами. Первая - это публикация в 1986 году Дэвидом Румельхартом с соавторами правила обучения многослойного персептрона, названного ими методом обратного распространения: ошибки. Ограничения персептронов, о которых писали Минский и Пейлерт, оказались преодолимыми. Второй фактор, обеспечивший широкое распространение методов нейронауки - это широкое распространение персональных компьютеров и рост их вычислительных мощностей, также пришедшийся на середину 80-х - начало 90-х годов. Благодаря этому большое количество исследователей получили в руки инструмент, позволяющий моделировать сети с числом нейронов от нескольких сотен до десятков тысяч.
К сегодняшнему дню ИНС получили широкое распространение и применяются для самых различных целей. Устройства и программы, использующие их в своей работе, встречаются почти на каждом шагу. При оплате по пластиковой карте, действия клиента отслеживаются ИНС, обученной на многих примерах несанкционированных транзакций. В Интернет ИНС используются для направленной рекламы, т.е. показа пользователю рекламных объявлений, соответствующих тематике просматриваемых им страниц [57]. Устройства управления, основанные на ИНС и нечеткой логике (fuzzy 1 ogic), уже повсеместно применяются для управления бытовыми приборами. Сегодня уже никого не удивить «интеллектуальной» стиральной машиной или пылесосом. Если же судить об уровне развития исследований в области нейронауки по рекламе, то даже стиральные порошки способны «распознавать различные виды загрязнения».
Метод регуляризации поА.Н. Тихонову
Следующее далее изложение метода регуляризации в основе своей, за исключением последнего примера следует работе [98].Задача нахождения приближенного решения некорректно поставленной задачи видаAz-u, (3.2)в естественном классе элементов F является практически неопределенной. Исходными данными здесь являются правая часть уравнения и и оператор А.
Предположим, что оператор А известен точно, а правая часть уравнения (3.2) известна с точностью 5, т.е. вместо ее точного значения ит, нам известны элемент й и число 3 такие, что pv{uT,u) S. По этим:данным, т.е. по (,. ?), требуется найти такой элемент zseF, которыйстремился бы (в метрике F) к zT при -»0. Такой элемент будем:называть приближенным (к zT) решением уравнения Az = u .Элементы zeF, удовлетворяющие условию pv(Az,U) 5, будемназывать сопоставимыми по точности с исходными данными (й, д).. Пусть Qs- совокупность всех таких элементов zef. Естественноприближенные решения уравнения Az = u искать в классе Qs элементовzt сопоставимых по точности с исходными данными (м, S).
Однако в ряде случаев этот класс элементов слишком широк. Необходим принцип отбора возможных решений. Для этого надо использовать обычно имеющуюся дополнительную информацию о решении. Такая информация может иметь количественный или качественный характер.
Использование дополнительной информации, носящей качественный характер (например, гладкость решения), требует иного подхода к построению приближенных решений уравнения (3.2). Для ряда прикладных задач характерна ситуация, когда класс F не является компактом, и, кроме этого, изменения правой части уравнения (3.2), связанные с ее приближенными характером, могут выводить за пределы множества AF - образа множества F при отображении его с помощью оператора А. Такие задачи: называют существенно некорректными. Разработан новый подход к решению некорректно поставленных задач, позволяющий строить приближенные решения уравнения (3.2), устойчивые к малым изменениям исходных данных, для существенно некорректных задач. В основе этого подхода лежит фундаментальное понятие регуляризирующего оператора (РО).Пусть оператор А в уравнении (3.2) таков, что обратный ему оператор А х не является непрерывным на множестве AF и множества возможных решений F не является компактом.
Пусть zT есть решение уравнения Az = uT т.е. AzT=uT. Частовместо ит имеется некоторый элемент us и известное число S 0 такие, что pv(us,uT) S, т.е. вместо точных исходных данных (иг, А) имеем приближенные исходные данные (us, А) и оценку их погрешности S. Задача состоит в том, чтобы по известным исходным данным {us, A, S) найти приближенные zs к элементу zTt обладающее свойством: устойчивости к малым изменениям us. Очевидно, что в качестве приближенного решения zs уравнения: (3.2) нельзя брать точное решение этого уравнения І с приближенной: правой; частью u = us, т.е. элемента , определяемый по формулеz$ — A Ugtтак как оно существует не для всякого элемента и є U и не обладает свойством устойчивости к малым изменениям правой части и.
Числовой параметр д характеризует погрешность правой части уравнения (3.2). Поэтому представляется естественным определить zs с помощью оператора, зависящего от параметра, значения которого надо брать согласованными с погрешностью 5 исходных данных us. Этасогласованность должна быть такой, чтобы при J- 0, т.е. при приближении (в метрике пространства U) правой части us уравнения(3.2) к точному значению мг, приближенное решение z5 стремилось бы(в метрике пространства F) к искомому точному решению zT уравненияAz = uT,Пусть элементы zT &F и ит є U связаны соотношением AzT = ит.Оператор Я(щЗ), действующий из пространства U в пространствоFt называется регуляризирующим для уравнения (относительно элемента ит), если он обладает свойствами:1) существует такое число 81 Ъ, что оператор R(u,S) определендля всякого 5, 0 8 Sx, и любого us е U такого, чтоpv{uSiuT) S\2) для всякого є О существует 5й = 50 (s,us) Sj, такое что изнеравенстваследует неравенствоpF{zs,ZT) E,где zs = R{us,5).Здесь не предполагается, вообще говоря, однозначность оператора R(u,S). Через zs обозначается произвольный элемент измножества {R(us,S)} значений оператора R{u5,S).В ряде случаев целесообразнее пользоваться другим определением регуляризирующего оператора (РО).
Краткое описание интерфейса и работы с системой
После запуска программы появляется главное окно, содержащее название программы, главное меню (Файл, Редакторы, Вид, Окна, Обработка, Отчет, Справочник, Помощь), включающее все возможные функции, выполняемые программой, и набор инструментальных кнопок, позволяющих быстро выбрать функцию необходимую для выполнения Для выбора необходимого метода обработки КВД можно использовать соответствующую команду меню Обработка.
После того, как выбран метод обработки КВД, исходная кривая перестраивается в соответствующие координаты в зависимости от выбранного метода. Например, для однородного пласта, при обработке по методу Хорнера, КВД перестраивается в логарифмических координатах. Новая кривая изображается в отдельном окне и все последующие операции (выделение участка обработки, удаление отдельных точек) выполняются именно с этой кривой.
Общий вид окна приложения после выбора метода обработки КВД (например, метод Хорнера) и начала обработки, когда исходная КВД перестроена в логарифмических координатах, изображен на рис. 4.5.
Результаты расчетов представляются в отдельном окне (рис. 4.10), в котором имеются текстовые поля для ввода фамилии оператора и текста комментария. Информация из окна результатов помещается в отчет, если обработчик пожелает завершить обработку и сформировать по ней отчет. Кроме результатов отчет содержит графики исходной, пересчитанной и модельной кривых, т.е. полностью отражает процесс обработки КВД выбранным методом. Содержимое отчета может быть выведено на печать или сохранено в файлеПоследовательность операций в процессе обработки КВД по методу касательной для однородных коллекторов аналогична той, что выполняется при обработке по методу Хорнера.
Ниже приведена последовательность операций обработки КВД методом Полларда (в трещиновато-пористом коллекторе для газонасыщенного коллектора)
Обработка КВД адаптированным методом Полларда. Для выполнения обработки необходимо открыть КВД, используя при этом команду меню Файл - Открыть КВД. КВД, прочитанная из БД, визуализируется в окне справочника и представляется графически на отдельной форме (рис. 4.11).
Процесс сглаживания можно выполнять несколько раз, при этом дифференциальная и сглаженная кривые отображаются на отдельной форме. Такое отображение позволяет сделать вывод о необходимости продолжения процесса сглаживания или перехода к обработке КВД. На рис. 4.13 и 4.14 показаны дифференциальные кривые, построенные после сглаживания исходных данных по первому методу при различной кратности сглаживания. Одним из факторов, определяющих развитие технологий впоследние десятилетия, является бурное развитие систем сбора,хранения и обработки информации. Это касается практически всехобластей производства. В нефтегазодобыче это проявляется в формеширокого внедрения средств телемеханики, автоматизированныхсистем управления, функционирующих в режиме реального времени.Базы данных, хранящие большие объемы информации, формируютсяпрактически на всех уровнях управления нефтегазодобывающимпредприятием. Росту объема информации способствует такжерасширение спектра различного вида исследований (трехмернаясейсморазведка, акустическое зондирование и др.). В полной мере этокоснулось и гидродинамических исследований скважин. Интерпретациярезультатов ГДИС требует учета многообразия технических аспектов ипроцессов, происходящий в системе пласт-скважина. Среди них:реологические свойства, флюидов, условия и тип вскрытия пласта, типколлектора и многие другие. На практике оказывается, что многие изэтих факторов либо неизвестны, либо известны неточно, а иногдатолько на качественном уровне. Нередко складывается ситуация, когдаполучаемая информация оказывается пртиворечивой. Все этозаставляет исследователей искать и привлекать к обработкерезультатов ГДИС новые методы. С другой стороны, достижения вобласти нелинейной динамики свидетельствуют, что не только сложные,но и простые системы: могут демонстрировать сложное поведение. Впервой главе показано, что динамика; давления в фонтанирующихдобывающих нефтяных скважинах может иметь немонотонный,хаотический характер. Проведенный фрактальный анализ для четырехзамеров давления, снятых в разных скважинах, показал, что во всехлучаях динамика давления является детерминированной иопределяется 3-4 основными переменными.113 обработки кривой восстановления давления требует определения модели пласта, к которой относится данная кривая восстановления. Рассматривая эту задачу как задачу классификации КВД, представляется естественным привлечь для ее решения инструментарий искусственных нейронных сетей. ИНС уже зарекомендовали себя как эффективное средство для решения задач классификации в условиях противоречивости или неточности исходной информации. Выполненная во втором разделе задача по классификации модельных кривых свидетельствует о том, что ИНС могут быть с успехом применены для решения этой задачи. Это позволит, во-первых, группировать кривые восстановления давления по степени близости к той или иной модели и, во-вторых, автоматизировать процесс обработки КВД.
Однако определение фильтрационных параметров пласта даже при полной уверенности в правильном выборе модели пласта может таить в себе трудности. Это связано с возможной некорректностью задачи по определению фильтрационных параметров. Некорректность задачи приводит к тому, что незначительные изменения исходных данных приводят к значительному изменению в результатах. Поскольку все замеры производятся с погрешностью, избежать некорректности невозможно. Для решения некорректных задач в математике разработан ряд алгоритмов. Часть из них: основана; на применении регуляризирующих операторов (регуляризация по Тихонову). В третьем разделе показано, что применение регуляризирующих алгоритмов может успешно применяться для определения фильтрационных параметров пласта по КВД в тех случаях, когда задача; оказывается некорректной. Вместе с тем применение методов регуляризации требует наличия априорной информации о значениях определяемых параметров пласта.
